Apple opublikowało prezentacje z Workshop on Privacy-Preserving Machine Learning (20–21 marca 2025), poświęconego prywatności i bezpieczeństwu w rozwoju AI.
Kilka miesięcy temu Apple zorganizowało warsztaty na temat uczenia maszynowego z zachowaniem prywatności, podczas których przedstawiono prezentacje i dyskusje na temat prywatności, bezpieczeństwa i innych kluczowych obszarów odpowiedzialnego rozwoju uczenia maszynowego. Teraz prezentacje te zostały upublicznione.
Podobnie jak niedawno w przypadku prezentacji z 2024 Workshop on Human-Centered Machine Learning, Apple opublikowało post na swoim blogu Machine Learning Research z kilkoma filmami i długą listą badań i artykułów, które zostały zaprezentowane podczas dwudniowego wydarzenia hybrydowego, które odbyło się w dniach 20-21 marca 2025 roku.
Do trzech najważniejszych prac należy zaliczyć.
Local Pan-Privacy for Federated Analytics – badanie Apple pokazuje, jak chronić prywatność danych choćby wtedy, gdy urządzenie zostanie wielokrotnie skompromitowane. Zastosowano nowe szyfrowane metody pozwalające zbierać statystyki bez ujawniania aktywności użytkownika.
Źródło: 9to5Mac.
Scalable Private Search with Wally – Apple zaprezentowało system wyszukiwania z wykorzystaniem differential privacy. Mechanizm Wally dodaje do zapytania losowe dane, co zapewnia anonimowość użytkowników, a jednocześnie umożliwia obsługę milionów żądań przy niższych kosztach.
Źródło: 9to5Mac.
Differentially Private Synthetic Data via Foundation Model APIs – badanie Microsoftu pokazuje, jak generować syntetyczne dane na podstawie modeli foundation, zachowując wartość danych rzeczywistych, ale bez naruszania prywatności.
Źródło: 9to5Mac.
Łącznie udostępniono 25 publikacji, przygotowanych przez badaczy z Apple, Microsoftu, Google oraz czołowych uczelni (m.in. MIT, UC Berkeley, Carnegie Mellon).
Oto ich pełna lista:
- Instance-Optimal Private Density Estimation in the Wasserstein Distance
- Local Pan-privacy for Federated Analytics
- PREAMBLE: Private and Efficient Aggregation via Block Sparse Vectors
- Privacy amplification by random allocation
- Scalable Private Search with Wally
- Universally Instance-Optimal Mechanisms for Private Statistical Estimation
Jeśli artykuł Apple ujawnia trzy najważniejsze badania z konferencji o prywatności i sztucznej inteligencji nie wygląda prawidłowo w Twoim czytniku RSS, to zobacz go na iMagazine.
